基于人工神经网络和遗传算法的塑料质感优化设计研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 字母注释表 | 第10-12页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 课题背景及研究意义 | 第12-13页 |
| 1.1.1 课题背景 | 第12页 |
| 1.1.2 课题意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 材质意象挖掘和量化研究 | 第13-15页 |
| 1.2.2 感性意象与设计要素关联建模研究 | 第15-16页 |
| 1.2.3 基于多意象的智能优化设计研究 | 第16-17页 |
| 1.3 研究内容和研究方法 | 第17-19页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 研究方法 | 第18-19页 |
| 第二章 目标意象的量化及塑料材质样本库的构建 | 第19-34页 |
| 2.1 目标感性意象的选择 | 第19-25页 |
| 2.1.1 感性形容词的收集和筛选 | 第19-21页 |
| 2.1.2 意象词词义相似度分析 | 第21-22页 |
| 2.1.3 意象词聚类分析及目标意象词的确定 | 第22-25页 |
| 2.2 塑料材质样本库的建立 | 第25-30页 |
| 2.2.1 材质设计要素分析 | 第25-26页 |
| 2.2.2 确定质感设计要素的参数取值范围 | 第26-29页 |
| 2.2.3 构建材质样本库 | 第29-30页 |
| 2.3 材质样本的意象量化 | 第30-33页 |
| 2.3.1 样本意象量化试验方法 | 第30-32页 |
| 2.3.2 样本意象量化结果分析 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 材质设计要素与目标意象的映射模型 | 第34-48页 |
| 3.1 BP人工神经网络 | 第34-37页 |
| 3.1.1 BP人工神经网络的结构及数学模型 | 第34-36页 |
| 3.1.2 BP人工神经网络的构建方法 | 第36-37页 |
| 3.2 建立意象量化的人工神经网络模型 | 第37-42页 |
| 3.2.1 训练数据的准备 | 第38页 |
| 3.2.2 人工神经网络信息容量的设定 | 第38-40页 |
| 3.2.3 转移函数的选择 | 第40-41页 |
| 3.2.4 材质意象量化人工神经网络模型的搭建 | 第41-42页 |
| 3.3 BP人工神经网络的训练和验证 | 第42-45页 |
| 3.3.1 材质样本意象量化数据的归一化 | 第42页 |
| 3.3.2 人工神经网络的训练 | 第42-44页 |
| 3.3.3 人工神经网络模型的验证 | 第44-45页 |
| 3.4 材质设计要素与意象评价的关联分析 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 以用户感性需求为中心的材质优化设计 | 第48-64页 |
| 4.1 基于用户感性需求的材质优化设计流程 | 第48-49页 |
| 4.2 遗传算法 | 第49-55页 |
| 4.2.1 设计要素编码的选择 | 第50页 |
| 4.2.2 适应度函数的设计 | 第50-51页 |
| 4.2.3 遗传操作的设计 | 第51-53页 |
| 4.2.4 遗传初始和控制参数的选择 | 第53-55页 |
| 4.3 用户感性需求的量化 | 第55-56页 |
| 4.4 材质优化结果的观察 | 第56-57页 |
| 4.5 结合多目标优化改进遗传算法 | 第57-63页 |
| 4.5.1 多目标优化问题的分解 | 第57-59页 |
| 4.5.2 多目标并列选择优化方法结果分析 | 第59-61页 |
| 4.5.3 多目标并列选择优化方法的验证 | 第61-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 结论与展望 | 第64-66页 |
| 5.1 结论与主要工作回顾 | 第64-65页 |
| 5.2 今后研究展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 材质样本图片 | 第70-72页 |
| 发表论文和参加科研情况说明 | 第72-73页 |
| 致谢 | 第73页 |
